Skorch

Cette page vous montre comment utiliser W&B avec Skorch afin de vous permettre de suivre l’entraînement des modèles Skorch sans écrire de code de journalisation personnalisé. Lorsque vous intégrez les deux, W&B journalise automatiquement le modèle le plus performant, ainsi que toutes les métriques de performance du modèle, sa topologie et les ressources de calcul après chaque époque. W&B journalise automatiquement chaque fichier que vous enregistrez dans wandb_run.dir. Pour plus d’informations, voir cet exemple de run.

Paramètres

Le tableau suivant répertorie les paramètres que le callback WandbLogger accepte.

Paramètre	Type	Description
`wandb_run`	`wandb.wandb_run`. Run	Le run W&B utilisé pour journaliser les données.
`save_model`	`bool` (default=`True`)	Indique s’il faut enregistrer un point de contrôle du meilleur modèle et le téléverser dans votre run sur W&B.
`keys_ignored`	`str` ou liste de `str` (default=`None`)	Clé ou liste de clés à ne pas journaliser dans TensorBoard. En plus des clés que vous fournissez, W&B ignore par défaut les clés qui commencent par `event_` ou se terminent par `_best`.

Exemples de code

Les exemples suivants montrent l’utilisation de bout en bout de WandbLogger avec Skorch :

Colab : une démo simple pour essayer l’intégration.
Guide étape par étape : un guide pas à pas pour suivre les performances de votre modèle Skorch.

pip install wandb

import wandb
from skorch.callbacks import WandbLogger

# Créer un run wandb
wandb_run = wandb.init()

# Journaliser les hyperparamètres (facultatif)
wandb_run.config.update({"learning rate": 1e-3, "batch size": 32})

net = NeuralNet(..., callbacks=[WandbLogger(wandb_run)])
net.fit(X, y)

Référence des méthodes

Le tableau suivant répertorie les méthodes de callback que WandbLogger fournit et le moment où Skorch invoque chacune d’elles.

Méthode	Description
`initialize`()	(Ré-)initialise l’état initial du callback.
`on_batch_begin`(net[, X, y, training])	Appelée au début de chaque lot.
`on_batch_end`(net[, X, y, training])	Appelée à la fin de chaque lot.
`on_epoch_begin`(net[, dataset_train, …])	Appelée au début de chaque époque.
`on_epoch_end`(net, **kwargs)	Journalise les valeurs de la dernière étape de l’historique et enregistre le meilleur modèle.
`on_grad_computed`(net, named_parameters[, X, …])	Appelée une fois par lot, après le calcul des gradients mais avant l’exécution d’une étape de mise à jour.
`on_train_begin`(net, **kwargs)	Journalise la topologie du modèle et ajoute un hook pour les gradients.
`on_train_end`(net[, X, y])	Appelée à la fin de l’entraînement.

Weights & Biases

Powered by CoreWeave

Platform Details

Resources

Paramètres

Exemples de code

Référence des méthodes

​Paramètres

​Exemples de code

​Référence des méthodes

Paramètres

Exemples de code

Référence des méthodes